딥러닝 알고리즘을 이용한 뇌파-기반 목격 여부 분류 시스템의 성능 비교
Comparison of Deep-Learning Algorithms for EEG-based Eyewitness Memory Classification System
1
조회
0
다운로드
5
인용
0
참고문헌
키워드
초록
범죄수사 상황에서 피해자와 목격자들의 기억을 평가하는 것은 중요한 문제이다. 하지만 아직까지 기억 정확성을 평가하는 방법은 거의 없다. 본 연구는 딥러닝 기술을 활용하여 뇌파-기반 목격 여부 분류 시스템의 성능을 조사하고자 했다. Ham 등의 실험 2에서6 수집한 69명의 사건관련전위(ERP; event-related potentials) 자료 세트에 합성곱 신경망(CNN; convolutional neural network)과 장단기 기억(LSTM; long-short term memory) 순환 신경망(recurrent neural network)을 이용하여 목격 여부를 분류했다. 실험결과 딥러닝 분류 알고리즘에 따른 차이는 크지 않았지만 1층(layer)의 LSTM를 이용했을 때 분류 정확률이 0.74로 CNN (0.69), 2층 LSTM (0.66), 3층 LSTM (0.69)보다 높았다. 이런 결과는 통계와 컴퓨터 공학 및 인지신경과학적 기법들을 융합하여 피해자와 목격자의 기억 정확성을 객관적으로 평가함으로써 범죄 수사의 효율성을 높일 수 있음을 시사한다.
Abstract
Evaluating eyewitness memory is an important issue for effective criminal investigation, but there is still little way to assess memory accuracy. This study sought to investigate the performance of the EEG-based eyewitness memory classification system using Deep-Learning. We classified the event-related potentials (ERP) data from 69 participants collected at Ham, Kim, and Jeong (2018)’s experiment using convolutional neural network (CNN) and long-short term memory (LSTM) recurrent neural network. The results showed little difference in classification performance between Deep-Learning algorithms, but 1-layer LSTM showed the highest accuracy (0.74), compared to CNN (0.69), 2-layer LSTM (0.66) and 3-layer LSTM (0.69). These results suggest that the accuracy of eyewitness memory could be assessed using neurobiological data, resulting in effective investigation.
참고문헌 (19)
- DL Schacter, "Memory and law:what can cognitive neuroscience contribute?", Nat Neurosci, 16, pp.119~123 (2013)
- T Curran, "The FN400 indexes familiarity-based recognition of faces", Neuroimage, 36, pp.464~471 (2007)
- AP Yonelinas, "The nature of recollection and familiarity: A review of 30 years of research", J Mem Lang, 46, pp.441~517 (2002)
- DA Wolk, "ERP correlates of recognition memory: effects of retention interval and false alarms", Brain Res, 1096, pp.148~162 (2006)
- N Abe, "Neural correlates of true memory, false memory, and deception", Cereb Cortex, 18, pp.2811~2819 (2008)
- 함근수, "유형이 다른 기억단서에 대한 사건관견전위의 차이: FN400과 LPC", 한국수사심리학회지, 4, pp.1~12 (2018)
- CD Lefebvre, "Determining eyewitness identification accuracy using event-related brain potentials (ERPs)", Psychophysiology, 44(6), pp.894~904 (2007)
- 함근수, "뇌파를 이용한 목격자 기억의 평가: 기계학습의 적용", 대한법의학회지, 42(2), pp.62~70 (2018), 대한법의학회[DOI]
- 함근수, "단일 시행의 뇌파와 서포트 벡터 머신(support vector machine)을 이용한목격자 기억 분류", 한국심리학회지: 인지 및 생물, 30(4), pp.413~419 (2018), 한국인지및생물심리학회[DOI]
- Y LeCun, "Deep Learning", Nature, 521, pp.436~444 (2015)
- X Sun, "Remembered or Forgotten?-An EEG-Based Computational Prediction Approach", PloS one, 11(12), pp.e0167497~ (2016)
- SL Oh, "A deep learning approach for Parkinson’s disease diagnosis from EEG signals", Neural Comput Appl, pp.1~7 (2018)
- H Zeng, "EEG classification of driver mental states by deep learning", Cogn Neurodyn, 12, pp.597~606 (2018)
- GL Wallstrom, "Automatic correction of ocular artifacts in the EEG: a comparison of regression-based and component-based methods", Int J Psychophysiol, 53, pp.105~119 (2004)
- S Bode, "The Decision Decoding ToolBOX (DDTBOX);A Multivariate Pattern Analysis Toolbox for Event-Related Potentials", Neuroinformatics, pp.1~16 (2018)
- "Keras GitHub" (2015)[URL]
- V Nair, "Rectified linear units improve restricted boltzmann machines", Proceedings of the 27th international conference on machine learning (ICML-10), pp.807~814 (2010)
- GE Hinton, "Improving neural networks by preventing co-adaptation of feature detectors", ~ (2012)
- "Divide the gradient by a running average of its recent magnitude. COURSERA:Neural networks for machine learning" (2017)[URL]